(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210519144.2 (22)申请日 2022.05.13 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 吴玉香　郑浩东　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 冯炳辉 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/70(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/762(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOv3的输电通道烟雾检测 方法 (57)摘要 本发明公开了一种基于改进YOLOv3的输电 通道烟雾检测方法， 首先， 使用改进的k ‑means++ 聚类算法代替传统的k ‑means算法， 降低聚类结 果偏差， 重新定义先验框； 其次， 设计focus模块 改进特征提取网络， 改善因多次下采样导致的目 标特征丢失问题； 然后， 设计结合空洞卷积的注 意力机制DAM作为特征增强模块集成到骨干网 络， 再将特征送入FPN中进行多尺度融合； 最后， 在检测网络添加一个大尺度YOLO检测头进行特 征融合， 并在每个YOL O检测头后面增加SPP， 避免 特征提取效果因网络深度的增加而降低。 与现有 的YOLOv3算法相比， 在保证检测速度的前提下， 本发明能有效提高输电通道烟雾检测的准确率， 对维护电网系统安全 有非常重要的意 义。 权利要求书3页 说明书7页 附图3页 CN 115187921 A 2022.10.14 CN 115187921 A 1.一种基于改进YOLOv3的输电通道烟雾检测方法， 其特 征在于， 包括以下步骤： S1、 对收集的样本集使用数据增强手段进行扩增， 对扩增后的样本集中每张图像的待 检测烟雾进行 标注， 得到标注后的样本集， 再将标注后的样本集划分为训练集、 测试集； S2、 使用改进的k ‑means++聚类算法对训练集进行聚类， 获得先验框， 通过设置不 同尺 度的先验框， 有更高的概率出现对目标有良好匹配度的先验框， 从而使 得模型更容易学习； 其中与k‑means算法随机选取k个聚类中心不同， 改进的k ‑means++聚类算法选择聚类中心 的原则是： 与当前已有聚类中心之间的最短距离越大 的点， 被选取作为聚类中心的概率越 大， 从而解决随机 选取初始聚类中心导 致的算法不稳定问题； S3、 使用改进的YOLOv3对训练集进行训练， 利用先验框和标注的真实框之间的偏差根 据梯度下降法学习模 型参数， 获得最优模 型； 其中改进的YOLOv3包括： 首先， 设计focus模块 添加到原来的骨干网络Darknet ‑53中， 改善因多 次下采样导致的目标特征丢失问题， 其次 设计结合空洞卷积的注意力机制Dilated  Attention  Module， 即DA M， 作为特征增强模块集 成到骨干网络， 进一步增强骨干网络的特征提取能力， 再将特征送入FPN中进行多尺度融 合， 然后改进YOLOv3的检测网络， 在检测网络中再添加一个尺度为104 ×104的YOLO检测头 进行特征融合， 并在每个Y OLO检测头后面添加SPP， 避免特征提取效果因网络深度的增加而 降低； S4、 将测试集输入到最优 模型中， 待检测的输电通道烟雾会以矩形框形式被标记出来。 2.根据权利 要求1所述的一种基于改进YOLOv3的输电通道烟雾检测方法， 其特征在于， 所述步骤S1包括： S11、 收集包含待检测烟雾的图像样本集： 收集若干输电通道场景下的包含待检测烟雾 的图像， 构成图像样本集； S12、 采用数据增强手段扩充样本集， 具体方法是： 在样本中复制粘贴待检测烟雾， 增强 烟雾的位置多样性， 从而增加烟雾匹配的锚框个数， 增加烟雾的训练权重， 另外， 还包括角 度旋转、 水平翻转、 高斯噪声、 亮度变换、 饱和度调整； S13、 使用图像标注软件l abelImg对每 张图像中待检测烟雾进行标注， 标注区域为正样 本， 未标注区域为负样本， 相应的类别和位置信息保存在xml文件中； 并按比例将整个样本 集划分为训练集、 测试集。 3.根据权利 要求1所述的一种基于改进YOLOv3的输电通道烟雾检测方法， 其特征在于， 在步骤S2中， 使用改进的k ‑means++聚类算法对训练集中的锚框大小进 行聚类， 获取先验框 的步骤为： S21、 从训练集中随机 选择一个点作为第一个聚类中心； S22、 对于训练集中的每一个点， 计算它与当前已有聚类中心之间的最短距离， 即与最 近的一个聚类中心的距离， 使用欧式距离平方作为样本之间的距离d(xi,xj)， 即有 其中xi、 xj表示第i、 j个样本； S23、 选择一个新的数据点作为新的聚类中心， 选择的原则是： 与当前已有聚类中心之 间的最短距离越大的点， 被选取作为聚类中心的概 率越大； S24、 重复S2 2和S23直到k个聚类中心被选出来； S25、 计算剩余样本与各聚类中心的距离， 找到样本距离最近的聚类中心， 将该样本划权　利　要　求　书 1/3 页 2 CN 115187921 A 2入相应的簇群； S26、 移动聚类 中心到属于它的簇群的中心， 求中心的方法是直接将中心定为簇群各个 坐标的平均值； S27、 重复S25和S26直到聚类中心不再移动。 4.根据权利 要求1所述的一种基于改进YOLOv3的输电通道烟雾检测方法， 其特征在于， 在步骤S3中， 使用改进的YOLOv3对训练集进行训练， 获得最优 模型的流 程如下： S31、 改进YOLOv3的骨干网络， 设计focus模块添加到原来的骨干网络Darknet ‑53中， 原 理为： YOLOv3的骨干网络Darknet ‑53经过五次降采样得到三种用于训练的特征图像， 然而 降采样的操作会导致图像语素特征值丢失， 导致目标难以检测， 为了不丢失信息， 在图像进 入骨干网络 之前， focus模块会对图像进行切片操作， 具体操作是在一张图片中每隔一个像 素拿到一个值， 这样就会得到四张互补的图片， 将互补的图片在通道方向上堆叠， 即将图像 的宽、 高信息集中到通道空间， 输入通道扩充了四倍， 拼接起来的图片相较于原先的RGB三 通道模式变成了十二个通道， 再将得到的新图片经过卷积操作， 最后在没有丢失信息的前 提下得到二倍降采样特 征图； S32、 改进YOLOv3 的特征提取能力， 设计结合空洞卷积的注意力机制DAM作为特征增强 模块集成到骨干网络， DAM主要由三部分组成： 空洞模块、 通道注意力子模块和空间注意力 子模块， 实现的流 程如下： S321、 采用两个连续的空洞块构成空洞 模块， 每个空洞块与瓶颈层结构相似， 后者由三 层卷积组成， 内核大小分别为1 ×1、 3×3和1×1， 不同之处在于， 空洞模块为3 ×3卷积层设 置了膨胀率n， 膨胀率代表卷积核内值之间的间距， 即在连续的滤波器值之间每间隔n插入 一个0值， 在不增加参数数量和 计算成本的情况下扩大了核大小， 具体而言， 扩展的3 ×3卷 积与卷积核大小为3+2 ×(n‑1)的标准卷积具有相同的感受野， 在两个卷积层之间依次是批 处理归一化层和激活函数； S322、 通道注意力子模块实现的具体流程为： 将输入尺寸为H ×W×C的特征图F分别经 过基于宽、 高的全局最大池化和全局平均池化， 得到两个1 ×1×C的特征图； 接着， 把它们分 别输入到一个两层的MLP中， 第一层神经元个数为C/r， 其中r为衰减率， 第二层神经元个数 为C， 这两层MLP的参数是共享的； 然后， 将MLP输出的两种特征进行基于element ‑wise的加 法操作， 再经过sigmoid激活函数， 生成权重系数Mc； 最后， 将权重系数Mc和输入特征图F做 基于element ‑wise的乘法操作， 生成空间注意力子模块需要的输入特 征； S323、 空间注意力子模块实现的具体流程为： 将通道注意力子模块输出的特征图作为 空间注意力子模块的输入特征图， 首先经过一个基于通道的全局最大池化和全局平均池 化， 得到两个H ×W×1的特征图； 再将这两个特征图进行通道拼接； 接着经过一个7 ×7卷积 操作， 降维至通道数量为1， 即H ×W×1； 然后经过sigmoid激活函数生成权重系数Ms； 最后， 将权重系数Ms和空间注 意力子模块的输入 特征图做基于element ‑wise的乘法操作， 得到最 终生成的特 征； S324、 将上述空洞模块、 通道注意力子模块和空间注意力子模块集成为DAM， 作为特征 增强模块 集成到骨干网络； S33、 改进YOLOv3的检测网络， 流 程如下： S331、 改进后的YOLOv3在检测网络之前增加两层残差网络， 残差网络能够有效改善由权　利　要　求　书 2/3 页 3 CN 115187921 A 3